基于复合建模技术的加热炉建模方法研究

论文摘要

蓄热式加热炉是20世纪80年代随着高温低氧燃烧技术(HTAC)成功开发而涌现的新一代节能环保型加热炉,与换热式加热炉相比,具有对空气(或煤气)预热温度高,排烟温度低,热效率高等优点。目前蓄热式加热炉在世界范围内已得到了广泛的应用。作为轧钢生产线上的重要设备之一,加热炉也是轧线上的耗能大户。只有合理控制钢坯出炉温度及其分布才能保证轧制质量、降低加热炉燃料的消耗。可是由于目前测试技术的限制以及加热炉内热工状况的复杂性,使得直接、准确测得加热过程中钢坏的实时温度分布还有很大困难,钢坯只有出炉后才能知道出钢温度是否合格。这样就不能对钢温进行跟踪,而且一旦出现出钢温度不合格就已经无法挽回了。一般方法是建立加热炉的钢温数学模型推算出炉内钢坯温度,进而通过数学模型建立最佳的炉温制度,用于改善钢坯加热质量。本文以蓄热式步进梁加热炉为研究背景,简单介绍了蓄热式加热炉概况和解决建模问题的算法基础。根据对以往采用的机理建模方法、智能建模方法和复合建模方法的研究和分析,本文提出了一种基于BP神经元网络的加热炉钢温复合建模方法。首先采用总括吸收率法建立复合模型中的机理模型；然后在取得大量易获得的过程数据的基础上,利用主元分析(PCA)建立加热炉质量检测模型,获得神元网络的输入；最后采集某钢厂的现场数据,进行仿真。针对仿真结果,把本课题采用的方法与其它的加热炉建模方法进行了比较。同时通过数据验证所建模型的正确性,并进一步提出了模型的在线补偿校正策略,使模型更加精确。在所建机理模型的基础上,运用遗传算法提出了加热炉最佳炉温设定,以达到满足质量要求并节约能源的目的。仿真结果表明了建立的钢坯温度模型能比较准确地计算出钢坯温度。本文建立的复合模型在和其他的建模方法对比中显示出了自己的优点。采用神经元网络来逼近实际系统和机理模型之间的差值,大大提高了模型的精度和对不同输入的泛化能力。这一结果也为今后钢温数学模型的研究提供了一种有益的尝试。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 加热炉及蓄热式燃烧技术简介
• 1.2.1 加热炉的分类
• 1.2.2 蓄热式加热炉
• 1.2.3 蓄热式高温燃烧技术
• 1.3 系统建模理论的发展
• 1.3.1 传统建模理论
• 1.3.2 智能建模理论
• 1.3.3 复合建模理论
• 1.4 加热炉建模发展概况
• 1.5 本文主要工作
• 第二章 加热炉模型建立的算法基础
• 2.1 主成分分析法
• 2.1.1 主成分分析法概述
• 2.1.2 主成分分析的原理
• 2.1.3 提取主成分的计算步骤
• 2.1.4 主成分个数的选取
• 2.2 人工神经网络
• 2.2.1 人工神经网络的概述
• 2.2.2 人工神经网络的结构
• 2.2.3 人工神经网络的类型
• 2.2.4 BP神经网络
• 第三章 基于总括吸收率的机理模型
• 3.1 温度场的数值计算方法介绍
• 3.1.1 热量传递的三种基本方式
• 3.1.2 导热基本定律
• 3.1.3 有限差分法
• 3.2 钢温模型的建立
• 3.2.1 模型假设
• 3.2.2 蓄热式加热炉机理模型的建立
• 3.3 模型参数的确定及仿真结果
• 第四章 加热炉复合模型结构及算法
• 4.1 复合模型的结构
• 4.2 输入变量选取及主成分分析
• 4.3 BP算法的设计
• 4.3.1 BP网络的前馈计算
• 4.3.2 BP网络权值的调整规则
• 4.3.3 BP学习算法的计算步骤
• 第五章 蓄热式加热炉的复合模型及炉温优化
• 5.1 模型假设
• 5.1.1 钢温假设
• 5.1.2 炉温假设
• 5.2 BP网络设计
• 5.2.1 输入输出层的选择
• 5.2.2 隐含层结点数的确定
• 5.3 模型仿真及与其它建模方法的比较
• 5.3.1 模型仿真
• 5.3.2 与其它加热炉数学模型的比较
• 5.4 模型验证与补偿校正
• 5.4.1 模型验证
• 5.4.2 基于BP的在线补偿
• 5.5 蓄热式加热炉炉温优化设定
• 5.5.1 炉温优化设定模型
• 5.5.2 基于遗传算法的炉温优化设定
• 5.5.3 仿真结果
• 第六章 结论和展望
• 参考文献
• 致谢